क्वेन ऑडियो 3.1 टीटीएस EmpirioLabs पर उपलब्ध है। यह अलीबाबा का रीयल-टाइम स्पीच सिंथेसिस मॉडल है, जिसमें 19 आवाज़ें हैं, जो आपको सरल भाषा में निर्देशित करती हैं, और इनलाइन टैग जो भावनाओं को बदलते हैं या मध्य-वाक्य में ध्वनि जोड़ते हैं। यह एक तैयार ऑडियो फ़ाइल लौटाता है पोस्ट /v1/audio/speech या ऑडियो स्ट्रीम करता है क्योंकि यह के माध्यम से उत्पन्न होता है पोस्ट /v1/audio/speech:stream, एपीआई में और Playground में, और रीयलटाइम एपीआई पर यह टेक्स्ट बोलता है जबकि टेक्स्ट अभी भी लिखा जा रहा है।
देखिए लॉन्च फिल्म
फिल्म में हर आवाज एक वास्तविक क्वेन ऑडियो 3.1 टीटीएस आउटपुट है: ब्रायन ने ट्रेलर कथावाचक के रूप में सरल भाषा में निर्देशन किया, फिर सिंडी, एवा और एंडी को उत्साहित, फुसफुसाते और हंसने वाले टैग के साथ। चित्र क्वेन इमेज 2.1 आउटपुट हैं, और स्कोर EmpirioLabs पर एसीई-स्टेप द्वारा उत्पन्न किया गया था। इसे YouTube पर देखें।.
आवाज़ें और भाषाएँ
अंग्रेजी आवाज़ें। पंद्रह आवाजें अंग्रेजी बोलती हैं। एमिली, लूना, एरिक और लुका के पास ब्रिटिश लहजे हैं। एबी, एनी, अवा, बेथ, बेट्टी, कैली, सिंडी, डोना, एंडी, ब्रायन और डेविड के पास अमेरिकी लहजे हैं।
बहुभाषी आवाज़ें। longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1, और xunanchuan_v3.1 चीनी, अंग्रेजी और अन्य भाषाएँ पढ़ें।
भाषा संकेत। भाषाओं को मिलाने वाले पाठ के लिए, language_hints भाषा कोड की एक सरणी लेता है, जैसे ["एन", "zh"], उच्चारण का मार्गदर्शन करने के लिए। सोलह कोड समर्थित हैं, जिनमें शामिल हैं करवाना, जेडएच, जा, को, एफआर, विपरीत प्रभावकारी, एस, और एआर।.
आपका पहला अनुरोध
कर्ल https://api.empiriolabs.ai/v1/audio/speech \ -एच "प्राधिकरण: वाहक $EMPIRIOLABS_एपीआई_की" \ -एच "सामग्री-प्रकार: application/json" \ -डी '{ "मॉडल": "qwen-audio-3-1-tts", "इनपुट": "[उत्साहित] हमने अपनी लॉन्च तिथि को मारा! हंसते हुए] देर रात के लिए आप सभी का धन्यवाद। ", "आवाज": "Ava_v3.1", "निर्देश": "गर्मजोशी और उत्साहित, एक टीम लीड की तरह अच्छी खबर साझा करना", "response_format": "एमपी3", "sample_rate": 24000 }'प्रतिक्रिया उत्पन्न ऑडियो के लिए एक URL ले जाती है। आउटपुट MP3, WAV, PCM, या ओपस 8,000 से 48,000 हर्ट्ज पर है। रफ़्तार, पिच, आयतन, और बीज समायोज्य हैं, उच्चारण तथा बदलें नाम, परिवर्णी शब्द और ब्रांड नाम ठीक करें, और enable_markdown_filter वर्णों को ज़ोर से पढ़ने से फ़ॉर्मेट करता है।
वितरण का निर्देशन
- शिक्षण-प्रशिक्षण।
शिक्षण-प्रशिक्षणपूरे मार्ग के लिए भावना, स्वर, चरित्र, गति और बोलने की शैली निर्धारित करता है, 1,000 वर्णों तक। - वितरण टैग। एक टैग जैसे
[उत्साहित],[फुसफुसाते हुए],[गंभीर], या[बहुत धीरे-धीरे]डिलीवरी को उस बिंदु से बदलता है जहां यह दिखाई देता है। - ध्वनि टैग। एक टैग जैसे
[हस रहा],[आहें भरते हुए],[हांफना], या[गला साफ करता है]एक बार की ध्वनि जोड़ता है। टैग की पूरी सूची पर हैइनपुटपैरामीटर API संदर्भ में।
स्ट्रीमिंग
पोस्ट /v1/audio/speech:stream एक ही बॉडी लेता है और सर्वर-भेजे गए ईवेंट लौटाता है। प्रत्येक ऑडियो.चंक इवेंट में base64 ऑडियो चंक होता है audio_b64, अनुरोधित प्रारूप और नमूना दर में। एक अंतिम ऑडियो.डन ईवेंट में पूरी फ़ाइल का URL, उसकी अवधि और उपयोग होता है, जिसके बाद [हो गया]।.
रीयलटाइम: पाठ लिखते समय बोलें
रीयलटाइम एपीआई पर, क्यूवेन ऑडियो 3.1 टीटीएस टेक्स्ट बोलता है, जबकि टेक्स्ट अभी भी आ रहा है, उदाहरण के लिए एक भाषा मॉडल का जवाब जब यह स्ट्रीम होता है। एक वेबसॉकेट खोलें wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-tts अपनी एपीआई कुंजी के साथ प्राधिकरण हेडर, के साथ टेक्स्ट भेजें input_text_buffer.append किसी भी आकार के टुकड़ों में, और प्रत्येक से ऑडियो चलाएं प्रतिक्रिया.ऑडियो.डेल्टा घटना।
{"प्रकार": "session.update", "session": {"voice": "Ava_v3.1", "निर्देश": "गर्म, देर रात के रेडियो होस्ट की तरह"}} {"type": "input_text_buffer.append", "text": "शुभ संध्या, "} {"type": "input_text_buffer.append", "text": "और देर से संस्करण में आपका स्वागत है। {"type": "session.finish"}- टेक्स्ट भेजना।
input_text_buffer.commitअब तक भेजी गई हर बात बोलती है।session.finishबाकी बोलता है और सत्र को इसके साथ समाप्त करता हैsession.finished।. - ऑडियो और सेटिंग्स। ऑडियो डिफ़ॉल्ट रूप से 16 हर्ट्ज पर 24,000-बिट पीसीएम है।
session.updateआवाज, निर्देश, प्रारूप सेट करता है (पीसीएम,एमपी3, यारचना), नमूना दर, और अन्य भाषण सेटिंग्स, अगले खंड से शुरू होते हैं। - खंड। पाठ उन खंडों में बोला जाता है जो वाक्य सीमाओं पर समाप्त होते हैं, और प्रत्येक खंड एक के साथ बंद होता है
प्रतिक्रिया.किया गयाघटना जो इसके उपयोग को वहन करती है। एक खंड भी नए पाठ के बिना 8 सेकंड के बाद समाप्त हो जाता है। - वेब पेज। एक ब्राउज़र एक अल्पकालिक क्लाइंट रहस्य से जुड़ता है
पोस्ट /v1/realtime/client_secrets, इसलिए आपकी एपीआई कुंजी आपके सर्वर पर रहती है।
द रीयलटाइम गाइड एक पूर्ण पायथन क्लाइंट और ईवेंट संदर्भ है।
परिचालन नोट्स
- हर वॉयस आईडी में समाप्त होती है
_v3.1।. एक नंगे नाम जैसेएमिली, या एक Qwen ऑडियो 3.0 TTS वॉयस आईडी, 19 मान्य आईडी की सूची के साथ अस्वीकार कर दिया गया है। उपयोगEmily_v3.1।. - SSML समर्थित नहीं है. सादा पाठ भेजें. उपयोग
शिक्षण-प्रशिक्षणपाठ के भीतर परिवर्तनों के लिए समग्र वितरण और इनलाइन टैग के लिए। - प्रति अनुरोध 10,000 वर्णों तक। कई अनुरोधों में लंबी स्क्रिप्ट को विभाजित करें।
मूल्य निर्धारण
टोकन बिलिंग। Qwen ऑडियो 3.0 TTS बिल प्रति वर्ण; Qwen ऑडियो 3.1 TTS बिल टोकन। आपके द्वारा भेजे गए पाठ को इनपुट टोकन के रूप में बिल किया जाता है, और जेनरेट किए गए ऑडियो को ऑडियो के प्रति सेकंड 12.5 टोकन पर आउटपुट टोकन के रूप में बिल किया जाता है, और एक रीयलटाइम सत्र प्रत्येक सेगमेंट को उसी तरह से बिल करता है। द रफ़्तार तथा पिच सेटिंग्स ऑडियो की लंबाई बदलती हैं, लेकिन बिल किए गए टोकन को नहीं, जबकि एक निर्देश जो डिलीवरी को धीमा कर देता है, आउटपुट टोकन जोड़ता है। वर्तमान दरें मॉडल पेज और मूल्य निर्धारण पृष्ठ।.
निर्माण शुरू करें
Qwen Audio 3.1 TTS में आज़माएं खेल का मैदान, जहां वॉयस पिकर और हर पैरामीटर लाइव नियंत्रण हैं, और पढ़ें एपीआई दस्तावेज़ीकरण पूर्ण पैरामीटर संदर्भ के लिए।
प्रकटीकरण: यह लेख एआई सहायता के साथ लिखा गया था और EmpirioLabs AI द्वारा समीक्षा की गई थी।.
